5  Análisis de textos

5.1 Insumos de la encuesta

El insumo de estos análisis es una serie de preguntas de respuesta abierta. Sin embargo, dado el formato específico de la pregunta se trata de un dato que, si bien no puede considerarse estructurado, se aleja un poco de otros ejemplos de datos no estructurados como los textos provenientes de entrevistas en profundidad, de canciones o de discursos presidenciales.

pregunta_texto

En este caso, como puede observarse en la imagen se trata de 3 palabras por cada encuestado. Expresado en el léxico de una matriz de datos (o base de casos x variables), se trata de 3 columnas por cada fila.

5.2 Preparación de los datos

Para facilitar el siguiente análisis lo que primero debemos realizar es un “alargamiento” de la base de datos original para pasar a tener una sola columna y más filas que, en principio, se repetirían 3 veces.

Luego, sigue el proceso de limpieza de las palabras. Se pasa todo a minúscula, se eliminan los puntos, los números y toda palabra vacía de significado como los pronombres, artículos y preposiciones. Finalmente se hace un proceso en donde se intenta llevar todas las palabras a su raíz (stemming) para así poder interpretar como una misma palabra a palabras que, por ejemplo, cambian el género (gato, gata) o el número (gato, gatos). Ahora sí, ya estamos en mejores condiciones de empezar nuestro análisis del texto.

5.3 Primeras aproximaciones

Dado que los pasos anteriores nos permitieron estructurar bastante los datos, ahora es más fácil realizar los típicos análisis que se realizan a los datos estructurados. Para comenzar vamos a realizar una simple tabla de conteo, con su respectivo porcentaje, y luego vamos a realizar un gráfico de barras. Finalmente realizaremos una nube de palabras.

Frecuencia y porcentajes de palabras
Palabra	Cantidad	Porcentaje
investigación	58	19.21%
encuesta	34	11.26%
método	31	10.26%
estadística	26	8.61%
numeros	22	7.28%
datos	14	4.64%
cantidad	13	4.30%
conocimiento	10	3.31%
porcentaje	9	2.98%
técnica	8	2.65%
análisis	6	1.99%
contar	5	1.66%
herramientas	5	1.66%
camino	4	1.32%
científico	4	1.32%
difícil	4	1.32%
investigar	4	1.32%
proyecto	4	1.32%
conocer	3	0.99%
información	3	0.99%
medición	3	0.99%
modos	3	0.99%
objetivos	3	0.99%
practica	3	0.99%
procedimiento	3	0.99%
proyectos	3	0.99%
trabajosamente	3	0.99%
cifras	2	0.66%
cuestionarios	2	0.66%
estudios	2	0.66%
personas	2	0.66%
planificación	2	0.66%
pregunta	2	0.66%
promedios	2	0.66%

Como en muchas otras situaciones, lo que se puede mostrar en forma de tabla también se puede graficar con algún tipo de gráfico. En este caso haremos un gráfico de barras con los datos anteriores.

5.4 Nube de palabras

La nube de palabras es una técnica de visualización que funciona bien cuando los insumos son palabras y estan presentan una gran heterogeneidad en los valores de sus frecuencias.

5.5 Análisis bivariado de palabras

Frecuencia y porcentajes de palabras según cantidad de materias aprobadas
Palabra	Cantidad de materias aprobadas
	Hasta 15	Más de 15
investigación	20.00%	20.00%
encuesta	12.22%	10.48%
método	11.11%	10.48%
estadística	7.78%	11.43%
numeros	7.78%	6.67%
cantidad	4.44%	4.76%
datos	3.33%	7.62%
técnica	3.89%	NA
conocimiento	2.78%	4.76%
porcentaje	2.78%	3.81%
contar	2.22%	NA
investigar	2.22%	NA
científico	NA	3.81%
análisis	1.67%	2.86%
camino	1.67%	NA
conocer	1.67%	NA
difícil	1.67%	NA
proyectos	1.67%	NA
herramientas	1.11%	2.86%
trabajosamente	NA	2.86%
información	1.11%	NA
medición	1.11%	NA
modos	1.11%	NA
personas	1.11%	NA
planificación	1.11%	NA
pregunta	1.11%	NA
procedimiento	1.11%	NA
promedios	1.11%	NA
proyecto	1.11%	1.90%
estudios	NA	1.90%
objetivos	NA	1.90%
practica	NA	1.90%